K-PSO Based Energy Aware Clustering Algorithm for Environmental Monitoring Wireless Sensor Networks

Sintesi Tecnica: Algoritmo di Clustering K-PSO Basato sulla Consapevolezza Energetica per Reti di Sensori Wireless per il Monitoraggio Ambientale

Definizione del Problema
Le reti di sensori wireless (WSN) sono critiche per le applicazioni di monitoraggio ambientale come la rilevazione degli incendi boschivi, la sorveglianza della qualità dell'aria e il tracciamento dell'inquinamento idrico. Tuttavia, queste reti affrontano un vincolo fondamentale: i nodi sensore operano con una potenza di batteria limitata e spesso non ricaricabile. Nel monitoraggio ambientale a lungo termine, l'esaurimento prematuro dell'energia porta a lacune nella copertura, perdita di dati e fallimento della rete. Sebbene siano stati proposti protocolli di clustering (ad esempio, LEACH, PEGASIS) per ridurre il consumo energetico aggregando i dati presso i Cluster Head (CH), i metodi tradizionali presentano limitazioni significative. La selezione casuale dei CH (LEACH) può portare a un'allocazione dell'energia non uniforme, mentre gli approcci basati su catene (PEGASIS) introducono un'elevata latenza e non tengono conto dell'eterogeneità dei nodi. Inoltre, gli algoritmi statici mancano della capacità di adattamento alle condizioni ambientali dinamiche e agli stati energetici in evoluzione, risultando spesso in fallimenti prematuri dei CH e nella riduzione della durata della rete.

Metodologia
Gli autori propongono un algoritmo di clustering ibrido K-PSO che integra la rapida convergenza di K-Means con le capacità di ricerca globale dell'Ottimizzazione a Sciame di Particelle (PSO). La metodologia è strutturata come segue:

1. Modellazione della Rete e dell'Energia: Lo studio utilizza un modello radio del primo ordine esteso per includere fattori ambientali. Il modello di dissipazione energetica tiene conto dei costi di trasmissione e ricezione, ma incorpora in modo unico variabili ambientali come temperatura ($T$), intensità luminosa ($C$), qualità dell'aria ($AQ$) e umidità ($H$). Questi fattori regolano dinamicamente i requisiti di energia di trasmissione per riflettere l'attenuazione del segnale nel mondo reale e le variazioni di efficienza dei nodi.
2. Framework di Clustering Ibrido:
   • Inizializzazione (K-Means): L'algoritmo inizia partizionando i nodi sensore in $k$ cluster preliminari basati sulla prossimità spaziale, minimizzando la varianza intra-cluster. Ciò fornisce un punto di partenza computazionalmente efficiente.
   • Ottimizzazione (PSO): La PSO è impiegata per perfezionare la selezione dei Cluster Head all'interno di questi cluster preliminari. Ogni particella rappresenta una potenziale configurazione di CH. L'algoritmo aggiorna la velocità e la posizione della particella in base alle posizioni migliori personali ($pbest$) e globali ($gbest$).
   • Funzione di Fitness: La selezione dei CH è guidata da una funzione di fitness multi-obiettivo ($F_t$) che bilancia quattro parametri chiave:
     • Energia Residua ($E_{re}$): Potenza rimanente normalizzata.
     • Distanza dalla Base Station ($d_{bs}$): Per minimizzare il costo di trasmissione.
     • Densità dei Nodi ($\rho$): Per garantire un'efficace aggregazione dei dati.
     • Fattore di Qualità Ambientale ($Q_{En}$): Un parametro composito derivato dai parametri ambientali rilevati.
   • Vincoli: L'algoritmo impone vincoli assicurando che i CH selezionati possiedano energia residua sufficiente, siano entro la distanza massima di trasmissione e soddisfino i requisiti minimi di densità e capacità di elaborazione.
3. Ambiente di Simulazione: L'algoritmo è stato implementato in MATLAB R2020a in un campo di $100m \times 100m$ contenente 200 nodi sensore con livelli di energia iniziale eterogenei. Le prestazioni sono state messe a confronto con K-Means e PSO indipendenti.

Contributi Chiave

• Architettura Ibrida: Il documento introduce un framework K-PSO fuso che sfrutta il K-Means per la partizione spaziale e la PSO per l'ottimizzazione dei CH consapevole dell'energia, con l'obiettivo di mitigare le trappole degli ottimi locali del K-Means e la lenta convergenza della PSO standalone.
• Consapevolezza Ambientale: A differenza di molti protocolli di clustering tradizionali, il modello proposto integra esplicitamente variabili ambientali (umidità, temperatura, qualità dell'aria) nei modelli di dissipazione energetica e di valutazione della fitness, rendendolo adatto a scenari di monitoraggio esterno dinamici.
• Selezione Dinamica dei CH: L'approccio utilizza una funzione di fitness pesata che regola dinamicamente la selezione dei CH in base all'energia residua, alla densità dei nodi e alle condizioni ambientali, piuttosto che fare affidamento su soglie statiche.

Risultati
Le simulazioni condotte su 1.000 round hanno dimostrato la superiorità dell'algoritmo K-PSO rispetto a K-Means e PSO standalone in diversi parametri:

• Stabilità del Cluster: K-PSO ha raggiunto la massima stabilità con un numero medio di CH di 10,50 e una deviazione standard di $\pm 0,25$. Al contrario, K-Means ha mostrato un'elevata variabilità ($\pm 0,52$), mentre la PSO ha mostrato una stabilità media ($\pm 0,40$).
• Conservazione dell'Energia: Al round 1.000, l'energia residua media per K-PSO era di 36,2 J, superando significativamente la PSO (18,1 J) e il K-Means (0 J, che indica l'esaurimento totale). K-PSO ha mantenuto costantemente livelli di energia residua più elevati durante tutta la simulazione.
• Durata della Rete: L'algoritmo K-PSO ha ritardato significativamente la morte dei nodi:
  • Prima Morte del Nodo (FND): Si è verificata al round 264 per K-PSO, rispetto ai 192 per PSO e ai 134 per K-Means.
  • Ultima Morte del Nodo (LND): La rete è sopravvissuta fino al round 961 con K-PSO, rispetto agli 814 per PSO e ai 655 per K-Means.

Significato e Rivendicazioni
Gli autori affermano che l'algoritmo K-PSO migliora efficacementamente la conservazione dell'energia, ritarda la morte dei nodi e mantiene la stabilità del Cluster Head, prolungando così la durata operativa delle WSN utilizzate per il monitoraggio ambientale. Lo studio asserisce che, selezionando intelligentemente i CH energeticamente efficienti e formando cluster bilanciati, l'approccio ibrido affronta i limiti dei protocolli tradizionali riguardanti l'esaurimento prematuro dell'energia e l'instabilità. Il documento conclude che K-PSO è una soluzione robusta per estendere la vitalità della rete in contesti ambientali dinamici e con vincoli energetici. Gli autori suggeriscono che il lavoro futuro potrebbe comportare l'implementazione in tempo reale su banchi di prova fisici e l'integrazione con moduli predittivi di guasto energetico, ma l'attuale studio è limitato alla validazione basata su simulazione.